Поиск произвольного паттерна с помощью нейросети - страница 5

 
Vladimir Simakov:
Петр. Я так понимаю, что для Вас термин "математика" заканчивается ее школьным курсом? Так там много чего еще есть, в том числе и алгоритмы.

Да, математику знаю в пределах школьного курса. Однажды спросил учителя на уроке аналитической геометрии (та, что занимается функциями и осями координат), "если функция строит кривую на графике, то можно по кривой на графике выстроить функцию?" и получил однозначный ответ - "Нет. это невозможно.". Из этого, сделал вывод, что паттерны можно описать математически, но нельзя идентифицировать, потому что нельзя из значений получить формулу, которая их сгенерировала.

Может есть еще какие то математические инструменты. Расскажите если знаете.
 

Вот более широкий взгляд на паттерны. 

https://ru.wikipedia.org/wiki/%D0%9F%D0%B0%D1%82%D1%82%D0%B5%D1%80%D0%BD

 
Реter Konow:

Да, математику знаю в пределах школьного курса. Однажды спросил учителя на уроке аналитической геометрии (та, что занимается функциями и осями координат), "если функция строит кривую на графике, то можно по кривой на графике выстроить функцию?" и получил однозначный ответ - "Нет. это невозможно.". Из этого, сделал вывод, что паттерны можно описать математически, но нельзя идентифицировать, потому что нельзя из значений получить формулу, которая их сгенерировала.

Может есть еще какие то математические инструменты. Расскажите если знаете.

можно, на вскидку табличный метод задания функции, интерполяция

 
Igor Makanu:

можно, на вскидку табличный метод задания функции, интерполяция

Могу ошибаться, но думаю, по этому методу и работают нейросети.

Массив данных как бы раскладывается внутри таблицы, где каждая ячека - нейрон, который запоминает одно значение. В процессе "обучения" (перезагрузки новых данных), значения в ячейках обобщаются и приводятся к диапазону. В итоге, каждый нейрон запоминает диапазон значений полученный в цикле загрузки данных и получается "модель" (матрица со значениями диапазонов), которая как шаблон, накладывается на новую таблицу данных и происходит "узнавание" (если данные подходят под диапазоны). Дилетантски изложено, но вот такое представление. Интересно, что скажут специалисты.

В этом случае, нейросети идеально подходят для распознания паттернов.

 
Реter Konow:

Могу ошибаться, но думаю, по этому методу и работают нейросети.

Массив данных как бы раскладывается внутри таблицы, где каждая ячека - нейрон, который запоминает одно значение. В процессе "обучения" (перезагрузки новых данных), значения в ячейках обобщаются и приводятся к диапазону. 

1. в общем случае ответ нет

2. в частном случае, да , но зависит от типа НС

1. для НС характерно не "запоминание нейрона", а изменение веса - связь между нейронами, в общем доходчиво все на хабре написано и читается легко  https://habr.com/ru/post/312450/

2. это скорее всего сети Хэмминга https://habr.com/ru/sandbox/43916/

ну и если серьезно решили начать изучать, то минимум одну книгу придется прочитать (чтобы понять, что в следующей книге будет 80% повтора из пред. книги )))  ), ну и как минимум понять чем отличается задача классификации от регрессии для НС - в основном все на этом и построено, остальное это вариации на эту тему и способы обучения и типы НС - более глубоко я не изучал, много моментов которые повторяются но пытаются представить как нечто очень новое назвав новым термином... путаницы много, да шума ))))

 
Igor Makanu:

1. в общем случае ответ нет

2. в частном случае, да , но зависит от типа НС

1. для НС характерно не "запоминание нейрона", а изменение веса - связь между нейронами, в общем доходчиво все на хабре написано и читается легко  https://habr.com/ru/post/312450/

2. это скорее всего сети Хэмминга https://habr.com/ru/sandbox/43916/

ну и если серьезно решили начать изучать, то минимум одну книгу придется прочитать (чтобы понять, что в следующей книге будет 80% повтора из пред. книги )))  ), ну и как минимум понять чем отличается задача классификации от регрессии для НС - в основном все на этом и построено, остальное это вариации на эту тему и способы обучения и типы НС - более глубоко я не изучал, много моментов которые повторяются но пытаются представить как нечто очень новое назвав новым термином... путаницы много, да шума ))))

Спасибо, первая статья понравилась, но понимания с чего вдруг сеть работает именно так, а не иначе - нет. Описано все просто, но совершенно непонятно, к чему и о чем все это. Просто информация без реального примера.

Веса, нейроны, входные и выходные, скрытые, синапсы... Значения обязательно между 1 и 0. Почему именно так, а не иначе?

Как обучать сеть на данных, тип которых не double, и за диапазоном нуля и единицы? Как объявлять слой? Как устанавливать кол-во нейронов? Куда загружать данные?

Короче, пока ничего не понял.
 
Реter Konow:

Спасибо, первая статья понравилась, но понимания с чего вдруг сеть работает именно так, а не иначе - нет. Описано все просто, но совершенно непонятно, к чему и о чем все это. Просто информация без реального примера.

Веса, нейроны, входные и выходные, скрытые, синапсы... Значения обязательно между 1 и 0. Почему именно так, а не иначе?

Как обучать сеть на данных, тип которых не double, и за диапазоном нуля и единицы? Как объявлять слой? Как устанавливать кол-во нейронов? Куда загружать данные?

Короче, пока ничего не понял.

гугл функция активации и нормализация нейронные сети

пример https://www.mql5.com/ru/forum/5010#comment_329221 и он же под алглиб  https://www.mql5.com/ru/forum/8265/page2#comment_333746

но все равно нужно хоть какую книгу прочитать, методом научного тыка не получится

 
Igor Makanu:

гугл функция активации и нормализация нейронные сети

пример https://www.mql5.com/ru/forum/5010#comment_329221 и он же под алглиб  https://www.mql5.com/ru/forum/8265/page2#comment_333746

но все равно нужно хоть какую книгу прочитать, методом научного тыка не получится

Ок. Хочется самому додуматься, а потом за книгу взяться. )

В статье сказано, что есть три направления применения сетей - Классификация, Предсказание и Распознавание. Тогда получается, что в распозновании ценовых паттернов нужно задействовать не данные OCHL, а скрины графика. Распознание с образами работает.

 
Реter Konow:

Тогда получается, что в распозновании ценовых паттернов нужно задействовать не данные OCHL, а скрины графика. Распознание с образами работает. 

улыбнуло! )))

что такое скрин?

а что такое OHLC?

в машинном представлении!

 
Igor Makanu:

улыбнуло! )))

что такое скрин?

а что такое OHLC?

в машинном представлении!

Ну, в статье эти три направления применения сетей разделяются. Одно дело распознавать по ценовым данным, другое - по цветовым. Все таки, совершенно разные подходы и механизмы.

ЗЫ. Ценовые паттерны имеют графическую природу, а не математическую. Если человек попытается их распознать математически, зайдет в тупик, а графически - запросто.